基于LSTM-Transformer混合模型的海上微波信道智能預測系統

中圖分類號：TN919.3 文獻標志碼：A

0 引言

隨著海洋資源開發和海上活動日益頻繁，可靠的海上通信需求急劇增長，微波通信作為海上中遠距離通信的主要方式，其信道質量受海面反射、大氣折射和多徑效應等復雜因素影響，呈現顯著的非線性和時變特性[1]。傳統信道預測方法主要基于統計模型和確定性模型，難以適應復雜海洋環境下的動態變化。近年來，深度學習在時序預測領域展現強大的潛力，其中長短期記憶網絡（Long Short-TermMemory，LSTM）和Transformer成為2類主流架構。LSTM擅長捕捉局部時序依賴，但難以建模長距離關聯；Transformer具有全局感知能力，卻對局部細節敏感度不足[2]。針對這一問題，本研究創新性地提出LSTM-Transformer混合模型，通過優勢互補提升預測性能[6]

1海上微波信道特性與深度學習應用

1.1海上微波信道傳播特性分析

1.1.1多徑效應建模

海上微波信道的核心特征表現為顯著的多徑傳播效應，其信道沖激響應可表示為：

其中， N（t） 為時空多徑數量，典型值3～8條;a_n（t） 為第 n 條路徑的復幅度（單位： V/m ）； O_n（t） 為相位偏移（單位：rad）； τ_n（t） 為相對時延（單位：ns）。

1.1.2空間相關性特征

海上信道的空間相關性可用改進的Bessel函數模型描述：

其中， J₀（?） 為零階Bessel函數； λ 為載波波長（單位： m ）； d_c 為相關距離（典型值 15～30m ）； Δd 為天線間距（單位： m ）。

1.2深度學習在信道預測中的研究進展

1.2.1特征提取技術演進

現代信道預測模型普遍采用多級特征提取策略：

F=f_CNN（f_LSTM（f_DWT（x）Θ））

其中， f_DWT 為離散小波變換層; f_LSTM（Δ） 為雙向LSTM層; f_CNN（Δ） 空洞卷積層； F 為最終特征表示。

不同特征組合方式的性能差異對比如表1所示。

1.2.2混合模型發展趨勢

最新的研究轉向基于注意力機制的混合架構，其核心創新可概括為：

表1特征提取方法性能比較

其中， Q 為查詢矩陣； K 為鍵矩陣； V 為值矩陣；W_Q 為查詢變換矩陣； W_κ 為鍵變換矩陣； W_ν 為值變換矩陣； d_k 為鍵向量維度。

當前技術瓶頸主要在于復雜海洋環境下的實時性要求（推理時間 lt;10ms ）與模型復雜度之間的平衡，故本研究提出了新型的LSTM-Transformer混合架構[3]

2系統模型與方法

2.1 混合模型架構設計

本系統提出的LSTM-Transformer混合模型采用層次化設計理念，通過深度神經網絡架構實現海上微波信道特性的多尺度特征提取與融合。模型整體架構包含4級處理層次：輸入編碼層、時序特征提取層、空間注意力層和預測輸出層。各層之間通過殘差連接實現梯度優化[4]。在輸人編碼層，系統首先對原始信道觀測數據進行維度擴展，通過全連接網絡將8維輸入特征映射到256維隱空間。與危夢等[6]提出的動態注意力分配策略相比，本系統通過固定頭數設計實現了計算效率與特征捕獲能力的均衡。

本系統將遺忘門偏置初始化為1.0，測試結果表明該系統可使模型收斂速度提升 18.4% 。在空間注意力層，設計的多頭自注意力機制采用8個并行注意力頭，其中查詢矩陣 Q 、鍵矩陣 K 和值矩陣 V 的投影維度 d_k=d_v=32 。注意力層的輸出經過層歸一化和殘差連接后，最終通過全連接網絡將256維特征映射為預測輸出。模型各層的參數配置與計算復雜度分析如表2所示，可見整體參數量控制在 1.2M 以內，在RTX3060 顯卡上單次推理耗時僅 6.2ms 。

2.2 自適應訓練策略

針對海上信道非平穩特性，本系統提出動態課程

表2LSTM-Transformer混合模型層級分析

學習策略，核心在于損失函數設計與訓練流程優化在損失函數方面，構建復合損失函數：

其中， LL_MAE 為平均絕對誤差； L_spectral 為頻域一致性損失， L_Temporal 為時序平滑性約束， λ₁ 為MAE損失權重（取值 0.4～0.8） ； λ₂ 為Spectral損失權重（取值0.1～0.4）; λ₃ 為 Spectral損失權重（取值 0.05～ 0.2）；自適應權重系數通過可學習參數層動態調整。頻域損失項定義為：

其中， 表示短時傅里葉變換操作。實驗數據表明，引入該損失項可使預測結果的頻譜誤差降低 37.2% 。

訓練過程采用三階段漸進策略：第一階段在平靜海況數據（1～2級）上預訓練，學習率設為 3×10^-4 ；第二階段引入中等海況數據（3～4級），學習率降為 1× 10^-4 ；第三階段加入極端海況樣本（5～6級），學習率進一步降至 5×10^-5 。該策略使模型在驗證集上的收斂穩定性提升 41.3% ，最終達到的RMSE指標為0.89dB 。在優化算法選擇上，本文采用AdamW優化器，其動量參數 β_?1=0.9 β_?2=0.999 ，權重衰減系數設為0.01，batchsize根據訓練階段動態調整（ 6432 16）。

2.3 實時優化技術

為實現工程部署中的實時性要求，本系統在計算圖層優化、硬件加速和記憶機制3方面進行技術創新。在計算圖層面，通過算子融合技術將LSTM的4個矩陣乘法合并為單一運算，在CUDA內核層面實現并行優化。實測顯示該優化可使推理延遲從 5.7ms 降至 3.2ms 。同時采用混合精度訓練策略，前向傳播使用FP16精度，反向傳播保持FP32精度，在JetsonAGXXavier嵌入式平臺上內存占用減少 41% 。

在硬件加速方面，設計專用計算流水線，包含3個并行處理單元：特征預處理單元、時序計算單元和注意力計算單元。在 30W 功耗約束下，Jetson AGXXavier可實現 12.5ms 的推理延遲，滿足實時性要求。為應對信道突變情況，系統建立動態特征記憶庫：

M_t=βM_t-1+（1-β）f_θ（x_t）

其中， M_t 為時刻 χ_t 的記憶狀態： _;β 為記憶衰減系數，初始值設為0.9，當檢測到信道突變時自動調整為0.6;f_θ（?） 為特征提取網絡； x_t 為當前時刻輸出特征。

3 實驗與結果分析

3.1實驗設置與基準對比

3.1.1數據集構建

實驗采用南海海域2021—2023年微波信道實測數據，包含4個海上平臺基站采集的連續觀測記錄，數據集覆蓋6種典型海況條件，采樣頻率 10Hz ，總時長超過 2000h 。原始數據經過嚴格質量控制，包括異常值剔除（Hampel濾波，窗口寬度21）缺失數據插補（時間序列GAN補全）、多源數據對齊（GPS時間同步誤差 lt;1ms ）[5]。數據集的統計特性如表3所示，可見信道參數具有顯著的非平穩特征。特別值得注意的是，在5～6級海況下，接收功率的瞬時波動可達28.7dB，遠超陸地信道環境。

表3數據集統計特征

3.1.2基準模型配置

選取5類典型預測模型作為基準：傳統方法ARIMA（2，1，2）、機器學習SVR（SupportVectorRegression）（RBF核）、深度學習TCN（TemporalConvolutionalNetwork）（5層）、單一模型LSTM（3層）、混合模型CNN-LSTM。所有模型均采用相同輸入特征（8維）和輸出目標（1步預測），訓練集/測試集按 7：3 劃分。為保證公平性，各模型參數量控制在 1.2M± 10% 范圍內，使用AdamW優化器統一訓練策略。

3.2性能評估與結果分析

3.2.1預測性能對比

不同模型多步預測性能對比如表4所示。

表4不同模型多步預測性能對比

本研究提出的LSTM-Transformer混合模型在各項指標上均顯著優于基準方法：相比最優基準CNN-LSTM，RMSE 降低 23.4% ;在極端海況下（5～6級），MAE改善幅度達 31.7% ；預測結果與實測數據的相關系數 R² 提升至0.913。

3.2.2 實時性分析

在JetsonAGXXavier嵌入式平臺上的實測如表5所示。

表5硬件性能指標

本系統滿足實時性要求：單次推理耗時 12.5ms （ lt;15ms 閾值）;峰值內存占用 142MB ；支持8通道并行處理。

4結語

本研究提出的基于LSTM-Transformer混合模型的海上微波信道智能預測系統，通過創新性地融合雙向LSTM的時序建模能力和Transformer的全局注意力機制，有效地解決了復雜海洋環境下信道質量動態預測的難題。實驗結果表明，該系統在南海實測數據上的預測精度顯著優于傳統方法，RMSE指標達到0.87dB ，較單一LSTM和Transformer模型分別提升32.6% 和 28.4% 。未來研究可從3個方向深入：引入波浪動力學等物理模型約束，構建物理信息神經網絡，增強預測結果的可解釋性；擴展模型對極端天氣條件的適應能力，開發基于強化學習的在線自適應機制；探索模型在星地協同海洋通信網絡中的應用，研究多節點聯合預測方法。

參考文獻

［1]米映霖.基于HTT的海上微波通信信號識別方法[J].長江信息通信，2021（11）：133-134，166.

[2]莊禮賢.數字微波通信技術在海上鉆井平臺的應用研究[J].中國新通信，2024（16）：1-3.

[3]郭浩.數字微波通信在消防救援通信中的應用分析[J].通信電源技術，2023（1）：143-146.

[4]康燕文.數字微波通信技術在風電并網發電通信中的應用[J].通信電源技術，2023（13）：16-18.

[5]徐平.數字微波通信技術的應用及未來發展趨勢[J].衛星電視與寬帶多媒體，2023（3）：33-35.

[6]危夢，張清河.基于圖像超分辨率生成對抗網絡的MIMO信道估計方法[J].微波學報，2024（4）：46-51.

（編輯 王雪芬）

Abstract：This studyproposesan inteligent prediction system for ofshore microwave channels based on LSTM Transformer hybrid model，aiming to solve thechalengeof dynamicpredictionof microwave channel quality in complex marine environments.Anew hybrid neural network architecture was constructed by integrating the temporal modeling capabilityof LSTMand the global feature extraction advantage of Transformer.The system adopts adaptive data preprocessing methods to process maritime channel measurement data，designs a multi-scale feature fusion mechanism，and introduces atention weight visualization technology to enhance model interpretability.The experimental results show that on the measured dataset in the South China Sea，the rot mean square error （RMSE）of this system within a 1 hour prediction window reaches O.87 dB， which is 32.6% and 28.4% higher than the single LSTM and Transformer models，respectively.The prediction speed mets the real-time requirements.This system provides effective technical support for maritime communication resource scheduling and link optimization.

Key Words：LSTM;Transformer;microwave channel prediction;maritime communication；inteligentpredictionsystem

作者簡介：陳釗（1983—），男，通信工程師，本科;研究方向：微波通信技術智能應用。